需接受多次正电子断层扫描(Positron Emission Tomography Scan；PET scan)的人，特别是儿童，都会想减少所接受的剂量，以尽量减少辐射诱发癌症的长期风险。但低剂量扫描因杂讯水平较高，较缺乏诊断能力。为解决此问题，目前有跨国研究小组正在使用深度神经网络(deep neural network)作为潜在解决方案。

据报导，该研究共同作者、悉尼大学(University of Sydney)的Luping Zhou表示，他们使用称为3D条件生成对抗网络(3D c-GANS)的机器学习算法，来从低剂量的PET影像预估高质量全剂量PET影像的结果。

这项新技术是由论文主笔、四川大学的王燕(Yan Wang)以及大陆、美国、韩国和澳洲的合作者共同开发，较其它用于合成全剂量PET影像的方法效果更佳。

GAN模型使用两个深度神经网络，一个伪资料产生器(Generator)及一个资料辨识器(Discriminator)，它们通过相互竞争获得最佳结果。在此新应用中，产生器的目标是合成足够高质量的全剂量PET影像，以说服辨识器那些影象是真的。辨识器的目标则是发现产生器的输出并非真正的全剂量影像。

这两个神经网络会分别用来自同个人的低剂量和全剂量PET影像资料库进行训练。一旦训练好，就会向产生器输入一个新的低剂量PET影像，好合成相应的全剂量、更高质量的PET影像。

该技术的关键功能为能处理3D影像数据集，许多其它技术可以独立处理2D轴向切片。这些切片尽管数据密集程度较低，但会导致冠状面和矢状面中信息的丢失。研究人员发现，使用3D c-GANS实现的影像质量与用于合成全剂量PET影像的三种现有方法相比有利。

在研究的几个路线中，作者计划研究全剂量PET合成的多模式方法，其中包含与PET扫描一起采集的临床CT或MRI扫描。他们还计划增加训练数据库的规模，以提高3D c-GANS的普遍性。